/ Модель

Характеристики

Контекст
512 токенов
Параметры
31,1 млн
Лицензия
MIT
Библиотека
transformers
Опубликована
20 июл 2026

BabySteps_MurphysLaw-10M-mixed

Генерация текстаТекст → текст3 профессии

Небольшая англоязычная гибридная GPT-BERT-модель для экспериментов с языковым моделированием и оценивания в задачах BabyLM.

94скачиваний за 30 дней1лайквеса обновлены14 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

BabySteps MurphysLaw 10M — экспериментальная языковая модель команды BabySteps для конкурса BabyLM 2026, трек strict-small. Это гибридная архитектура GPT-BERT с одной трансформерной основой и сочетанием masked- и causal-обучения; модель обучена на официальном корпусе BabyLM 2026 strict-small объёмом 10 млн слов с оптимизатором AdaMuon. В метаданных указано 31,1 млн параметров и контекст 512 токенов, а README приводит размер 39 337 540 параметров.

Модель рассчитана на эксперименты с предсказанием пропущенных токенов, предсказанием следующего токена и оценку языковых знаний на англоязычных тестах BabyLM. По README, MNTP-оценивание показало лучшие совокупные результаты, а усреднение последних весов улучшило дообученную оценку SuperGLUE примерно на 1,6 пункта. Доступны промежуточные контрольные точки в ветках репозитория.

Это исследовательский артефакт для изучения обучения на малых объёмах данных, а не универсальная языковая модель. У неё ограничены знания о мире и качество свободной генерации; результаты приведены для одного запуска, возможны смещения из обучающего корпуса. Лицензия — MIT.

Сценарии применения

  • предсказание пропущенных токенов в английском тексте
  • предсказание следующего токена в английском тексте
  • изучение обучения языковых моделей на малом корпусе
  • оценка языковых знаний на тестах BabyLM
  • экспериментальное дообучение на задачах SuperGLUE

Ограничения

Модель имеет ограниченные знания о мире и низкое качество свободной генерации; она предназначена для исследований и не рекомендована для пользовательских приложений. Результаты основаны на одном запуске, а модель может наследовать смещения корпуса BabyLM.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

BabySteps MurphysLaw 10M (mixed)

BabyLM 2026 Challenge — strict-small track submission (Team BabySteps)

A GPT-BERT hybrid masked/causal language model trained on the official BabyLM 2026 strict-small corpus (10M words), using the AdaMuon optimizer with a tuned learning rate and tail-weight averaging over the final 20% of training.

Our central finding: after data-centric experimentation (curriculum-ordered corpora, story and textbook corpora, synthetic data generation, teacher-supervised objectives), none of those interventions beat a faithful GPT-BERT reconstruction trained on the official corpus with a Muon-family optimizer and a careful learning-rate sweep.

Model details

ArchitectureGPT-BERT (hybrid masked + causal objective, single transformer stack)
Parameters39,337,540
Hidden size384
Layers12
Attention heads6
Intermediate size1280
Vocabulary16,384 (BabyLM GPT-BERT baseline BPE)
Training sequence length128 (architecture supports 512)
Position embeddingsrelative, bucket size 32
Precisionbf16

Training

CorpusOfficial BabyLM 2026 strict-small (10M words), unmodified
Objectivemixed (causal_per_masked = 1, masked_per_causal = 0)
OptimizerAdaMuon (matrix params) + AdamW-style auxiliary (embeddings, norms, head)
Learning rate0.02 (matrix) / 0.006 (auxiliary)
Schedulelinear warmup (1.6%) + two-phase decay
Weight decay0.1 · grad clip 2.0 · z-loss 1e-4
Steps × tokens/step9,914 × 16,384 (≈10 epochs)
Seed42
Final weightstail average over the last 20% of training steps
Hardware1 × NVIDIA RTX 5090, ~30 mins training time

Tail averaging left zero-shot scores essentially unchanged (±0.3 BLiMP) but improved finetuned SuperGLUE by ≈1.6 points on the development twin of this configuration.

Checkpoints

Intermediate checkpoints are published as branches following the challenge's naming convention, covering the strict-small milestone schedule (1M–10M words in 1M steps, then 10M–100M in 10M steps — 19 checkpoints total):

from transformers import AutoModelForMaskedLM
model = AutoModelForMaskedLM.from_pretrained(
    "svsatheesh/BabySteps_MurphysLaw-10M-mixed",
    revision="chck_7M",           # any of chck_1M ... chck_100M
    trust_remote_code=True,
)

Usage

from transformers import AutoModelForMaskedLM, AutoTokenizer

tok = AutoTokenizer.from_pretrained("svsatheesh/BabySteps_MurphysLaw-10M-mixed")
model = AutoModelForMaskedLM.from_pretrained(
    "svsatheesh/BabySteps_MurphysLaw-10M-mixed", trust_remote_code=True
)

trust_remote_code=True is required — the GPT-BERT modeling code ships with the repo (modeling_gpt_bert.py, configuration_gpt_bert.py). The model can be loaded as AutoModelForMaskedLM or AutoModelForCausalLM; all reported results use MNTP (masked-next-token-prediction) evaluation, which outperformed pure-causal and pure-masked evaluation on the aggregate in our sweeps.

Results (official BabyLM 2026 evaluation pipeline, MNTP)

TaskScore
BLiMP71.59
BLiMP Supplement63.93
EWoK51.94
Entity Tracking27.95
COMPS≈54.3
Global PIQA≈35
SuperGLUE (finetuned avg)≈69.9
AoA correlation (CDI)−0.151

SuperGLUE finetuning used the official pipeline at learning rate 8–9e-5, seed 44. SuperGLUE convention: F1 for MRPC and QQP, accuracy elsewhere.

Training data

Only the official BabyLM 2026 strict-small corpus was used — no custom data, no synthetic data augmentation, no teacher models, no external pretraining. The model is fully compliant with the strict-small track's data budget.

Limitations

This is a deliberately small model trained on a developmentally plausible data budget. It is a research artifact for studying sample-efficient pretraining, not a general-purpose language model: it has limited world knowledge, produces low-quality free-form generation, and inherits whatever biases exist in the BabyLM corpus (CHILDES, Project Gutenberg, OpenSubtitles, Simple Wikipedia, BNC, Switchboard). It should not be deployed in any user-facing application.

Reported scores are from a single training run.

Citation

@inproceedings{satheesh2026babysteps,
  title  = {BabySteps at BabyLM 2026: Optimizer Choice and Hyperparameter Tuning
            Beat Data Interventions for Sample-Efficient GPT-BERT Pretraining},
  author = {Satheesh, Siddhi; Murillo, Jorge; Chen, Yubei},
  booktitle = {Proceedings of the BabyLM Challenge 2026},
  year   = {2026}
}

Built on GPT-BERT (Charpentier & Samuel, 2024), Muon (Jordan et al., 2024), and AdaMuon (Si et al., 2025).

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
GPTBERTFoCausalLM
Ревизия весов
92e9d4f

0 моделей